YOLOv9改进策略 ：IoU优化 | Unified-loU，用于高品质目标检测的统一loU ，2024年8月最新IoU

最新推荐文章于 2024-09-29 09:44:20 发布
最新推荐文章于 2024-09-29 09:44:20 发布
阅读量84 收藏
点赞数 5
分类专栏： YOLOv9魔术师 文章标签： 目标检测 算法 人工智能 计算机视觉 深度学习 transformer YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_63774211/article/details/142616786
版权
YOLOv9魔术师 专栏收录该内容
97 篇文章 79 订阅 ¥199.90 ¥299.90
订阅专栏

  💡💡💡现有IoU问题点：IoU (Intersection over Union)作为模型训练的关键，极大地显示了当前预测框与Ground Truth框之间的差异。后续研究者不断在IoU中加入更多的考虑因素，如中心距离、纵横比等。然而，仅仅提炼几何差异是有上限的;而且新的对价指数与借据本身存在潜在的联系，两者之间的直接加减可能会导致“对价过高”的问题

💡💡💡本文独家改进：提出了一种新的IoU损失函数，称为统一IoU(Unified-IoU, UIoU)，它更关注不同质量预测框之间的权重分配，该损失函数既考虑了预测盒与GT盒之间的几何关系，又考虑了IoU权值和置信度信息，充分利用了已知信息

💡💡💡在VOC2007数据集性能比较

 《YOLOv9魔术师专栏》将从以下各个方向进行创新：

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
专栏目录
订阅专栏
YOLOv8改进：Unified-loU，用于高品质目标检测的统一loU ，2024年8月最新IoU
09-28 173
提出了一种新的IoU损失函数，称为统一IoU(Unified-IoU, UIoU)，它更关注不同质量预测框之间的权重分配
YOLOv5改进：Unified-loU，用于高品质目标检测的统一loU ，2024年8月最新IoU
09-28 158
提出了一种新的IoU损失函数，称为统一IoU(Unified-IoU, UIoU)，它更关注不同质量预测框之间的权重分配
YOLOv10涨点改进：IoU优化 | Unified-loU，用于高品质目标检测的统一loU ，2024年8月最新IoU
最新发布
09-29 164
提出了一种新的IoU损失函数，称为统一IoU(Unified-IoU, UIoU)，它更关注不同质量预测框之间的权重分配
深度学习——第三篇（目标检测与YOLOv1）
伊蒂哈德的三岁小球童的博客
04-22 1007
本文首先介绍了目标识别算法常用的评价指标，对不同的阈值用途做了一定的解析，然后详细分析了YOLOv1的输出张量和损失函数，最后介绍了在预测之后进行NMS来减少重叠的框。
Pytorch：目标检测网络-概述，指标计算和使用预训练网络
Jingmin Wei's Blog
02-17 1241
讲解了三大基本目标检测网络框架RCNN, SSD, YOLO。讲解了IoU计算，TP, FP, FN, TN四种样本，Precision, Recall指标，mAP计算。使用预训练的 Faster RCNN 完成目标检测与可视化结果。
PP-ShiTu: A Practical Lightweight Image Recognition System
uncle_ll的博客
11-17 5754
最近看了一个新的分享，关于图像识别的，对于大规模图像搜索以及新物品频繁情况下表现良好。 论文： https://arxiv.org/abs/2111.00775 项目： https://github.com/PaddlePaddle/PaddleClas Abstract 近年来，图像识别的应用发展迅速。在人脸识别、行人和车辆再识别、地标检索和产品识别等不同的领域，已经出现了大量的研究和技术。在本文中，提出了一种实用的轻量级图像识别系统PP-ShiTu，由以下3个模块、主体检测、特征提取和向量搜索等模块
MATLAB算法实战应用案例精讲-【目标检测】YOLOV3
qq_36130719的博客
11-10 323
目标检测通常使用 边界框（bounding box，bbox）来表示物体的位置边界框是正好能包含物体的矩形框通常有两种格式来表示边界框的位置：图片坐标的原点在左上角，x轴向右为正方向，y轴向下为正方向在检测任务中，训练数据集的标签里会给出目标物体真实边界框所对应的(x1,y1,x2,y2)这样的边界框也被称为真实框（ground truth box）在预测过程中，模型会对目标物体可能出现的位置进行预测由模型预测出的边界框则称为预测框（prediction box），如上图所示。
Unified building change detection pre-training method with masked semantic annotations
yokon的博客
11-29 1044
其次,采用所提方法对语义掩蔽建筑区域进行控制，确保样本分布均衡第三，在所提出的统一范式中，由于语义信息可以作为有效的监督信号来辅助CD训练，解决了伪标签对算法收敛能力产生不利影响的问题，因此在所提出的统一范式中采用了 多任务网络进行同时建筑物提取和变化检测。值得注意的是,使用我们的预训练权重进行微调的10%的基真值获得了交集并集(IoU) ，与在没有预训练权重的情况下使用100%的CD基真值获得的基值相当,而使用我们的预训练权重使用30%的基真值实现了更大的loU。PT-W 表示我们预先训练的权重。
深度学习——day7 计算机视觉中的对象检测（重要的YOLO算法）
想太多的学习日志
08-31 1179
Object Location 对象定位 localization and detection 利用神经网络解决对象分类和定位问题 Classification with localization Defining the target label y ！！！！非常重要 Landmark detection 特征点检测 Object Dtection 对象检测 Turning FC layer into convolutional layers 用卷积层代替全连接层 通过卷积实现滑动窗口对象检测算法 总结
YoloV8改进策略：IoU改进|Unified-IoU用于高质量对象检测
m0_47867638的博客
09-03 1383
Unified-Unified-IoU（UIoU）是一种新的边界框回归损失函数，旨在改进目标检测任务中的预测框质量，特别是在高IoU阈值和IoU（UIoU）是一种新的边界框回归损失函数，旨在改进目标检测任务中的预测框质量，特别是在高IoU阈值和密集型数据集上表现出色。密集型数据集上表现出色。
YOLOv9改进策略：IoU优化 | 官方支持GIoU, DIoU, CIoU, MDPIoU
03-25 1389
官方支持GIoU, DIoU, CIoU, MDPIoU
YOLOv9改进策略 ：IoU优化| Inner-IoU基于辅助边框的IoU损失，高效结合新型边界框相似度度量（MPDIoU）| 二次创新
04-01 467
Inner-IoU引入尺度因子ratio控制辅助边框的尺度大小用于计算损失，新型边界框相似度度量（MPDIoU）MPDIoU损失进行有效结合
YOLOv9改进策略：IoU优化 | Powerful-IoU更好、更快的收敛IoU，效果秒杀CIoU、GIoU等 | 2024年最新IoU
03-25 1460
Powerful-IoU更好、更快的收敛IoU，是一种结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数的损失函数
力扣 困难 154.寻找旋转排序数组中的最小值 II
qq_51352130的博客
09-23 439
153.寻找旋转排序数组中的最小值在此基础上，进行二分之前，单独处理一下左指针和最后一个数相同的情况就好了。left++;} else {
python 实现harmonic series调和级数算法
luthane的博客
09-24 956
Hn∑k1n1kHn​k1∑n​k1​其中，𝑛n 是正整数。这个级数是由调和数列（Harmonic sequence）的各元素相加所得的和。调和级数的名字源于泛音及泛音列，即一条振动的弦的泛音的波长依次是基本波长的12131421​31​41​等。调和级数的性质发散性：调和级数是一个发散的无穷级数，也就是说，它的部分和随着项数的增加而无限增长。
【算法】贪心+堆排序实现大根堆及标准库容器类的融合使用
2301_77954967的博客
09-25 1725
先看题这个算法，是要通过循环找到所有元素中最大的那个偶元素，对其除以2，然后再找这之后的最大的那个偶元素以此类推笔者的经历不多，第一次做的时候没有想到大根堆的算法，只是用sort将每次除以2后的整个数组进行降序排序，这样的作法使用sort对数组进行排序后，虽然可以确定数组中的元素大小顺序，但在每次选择偶数进行减半操作时，需要遍历整个数组来找到合适的偶数，效率较低。对于一个较大的数组，排序后可能需要花费较多的时间来找到下一个要进行减半操作的偶数，尤其是当操作次数较多时，这种遍历的方式会变得非常耗时。
算法宝典——二分查找算法
2301_80689220的博客
09-28 128
初识算法之二分查找
文档矫正算法：DocTr++
Guo_Python的博客
09-23 431
论文提出了一种新的数据处理方式，解决了以前文档矫正只能处理带有边界信息的完整文档，文章通过数据处理定义了三种类型的训练数据。（a）包含完整文档边界，（b）包含部分文档边界，（c）不包含文档边界。算法框架如下：对于任意弯曲的文档，作者首先通过CNN抽取特征，然后通过transformer结构进行编码和解码，最后用Flow Head预测偏移场，用偏移场矫正弯曲图片。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI小怪兽

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值